Clase 20 Estudios de Casos de Modelos Analíticos II

Vista previa del material en texto

Estudios de casos de 
Modelos Analíticos II
 Clase 20. Data Science
RECUERDA PONER A GRABAR LA CLASE
Identificar formas de aplicación de Ciencia de Datos en diferentes industrias. 
Comparar las potencialidades de aplicación en cada caso.
OBJETIVOS DE LA CLASE
Obligatoria siempre. Es lo que queremos alcanzar una vez finalizada la clase. Recordá que se enuncian en principio con el verbo delante (por ejemplo: “Comprender…”, “Analizar…”, “conocer…”, etc).
MAPA DE CONCEPTOS
MAPA DE CONCEPTOS CLASE 20
Casos de Éxito con Modelos Analíticos
Andreani
Medplaya 
Amazon
Clicksteam
Analítica Predictiva
Future Engineering
Clase 20
Clase 21
CRONOGRAMA DEL CURSO
Clase 19
Estudios de Casos de Modelos Analíticos I
Estudios de Casos de Modelos Analíticos II
CASOS DE ESTUDIO CON CIENCIA DE DATOS
ANALIZANDO CASOS DE ESTUDIO CON CIENCIA DE DATOS
CASOS DE ESTUDIO CON CIENCIA DE DATOS
ANALIZANDO CASOS DE ESTUDIO CON CIENCIA DE DATOS
Introducción al ML y la IA
INTELIGENCIA ARTIFICIAL
ANALIZANDO CASOS DE ESTUDIO
INTRODUCCIÓN
Idea: Plantear por objetivos
Continuando con la clase de Estudios de Casos de Modelos Analíticos I en esta sesión veremos algunas aplicaciones adicionales del mundo de la Ciencia de Datos, en diferentes industrias. 
Empecemos😃
ANDREANI
Caso Andreani
Andreani es una empresa de servicios logísticos orientada a crear una red de logística social. Cuenta con más de 4734 colaboradores, 165 puntos de ventas, 103 sucursales en 86 localidades, etc.
Caso Andreani
Caso Andreani
Arquitectura de Datos Actual:
ML para Andreani
Desafío: Generar un Modelo de Predicción de tiempos de entrega.
Objetivo: Predecir qué día va a llegar el paquete y en qué franja horaria (mañana/tarde). Tanto para entrega por Sucursal como para entrega en Domicilio.
¿Esto qué permite?
Avisarle al usuario cuando va a estar llegando su paquete.
Optimizar la logística de la empresa.
Incrementar la satisfacción y la experiencia de usuario. 
PARA PENSAR
 Si los objetivos se orientan a:
Predecir qué día va a llegar el paquete y en qué franja horaria. Tanto para entrega por Sucursal como para entrega en Domicilio.
Avisarle al usuario cuando va a estar llegando su paquete.
Optimizar la logística de la empresa.
Incrementar la satisfacción y la experiencia de usuario. 
¿Qué solución se podría plantear desde el ML?
¡ESCRIBELO EN EL CHAT!
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de comprobación.
Sugerimos:
Utilizarlo antes del break para que los estudiantes puedan votar en la encuesta antes de ir al mismo.
Al regresar, mostrar los resultados a los estudiantes.
Si hay buena respuesta de este recurso, se recomienda utilizarlo de forma orgánica en más instancias de la clase.
Feature Engineering
Se entrenó el modelo usando 12 meses de historia.
Se consideró a la hora del diseño del algoritmo el escenario generado como contexto de la pandemia del Covid – 19.
Se realizó un proceso de Feature engineering. Ej: Tratamiento de outliers, valores missings, sampling, etc.
MEDPLAYA
Caso Hoteles Medplaya
MedPlaya es una cadena hotelera especializada en vacaciones en la costa. Desde su página de internet se pueden alquilar excursiones, hoteles y atractivos turísticos en múltiples destinos del mundo como así también, contratar servicios de viajes.
Caso Hoteles Medplaya
Retos:
La aparición de nuevos actores en el sector hotelero que actúan como intermediarios ha supuesto al mismo tiempo una oportunidad y un reto para el sector. Ej. Airbnb.
Objetivo:
Conocer exactamente qué reservas se cancelarán para maximizar la ocupación de la cadena de hoteles.
PARA PENSAR
 ¿Por qué es importante realizar este tipo de predicciones? 
Debido a que las habitaciones con mayor probabilidad de cancelación, se pueden poner a la venta o lanzar una oferta al cliente para maximizar los ingresos de la compañía.
¿Cómo podríamos utilizar el ML para estas predicciones?
¡ESCRIBELO EN EL CHAT!
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de comprobación.
Sugerimos:
Utilizarlo antes del break para que los estudiantes puedan votar en la encuesta antes de ir al mismo.
Al regresar, mostrar los resultados a los estudiantes.
Si hay buena respuesta de este recurso, se recomienda utilizarlo de forma orgánica en más instancias de la clase.
Analítica Predictiva
Retos:
La aparición de nuevos actores en el sector hotelero que actúan como intermediarios ha supuesto al mismo tiempo una oportunidad y un reto para el sector. Ej. Airbnb.
Solución de Predicción de las Cancelaciones:
Los algoritmos basados en Ciencia de Datos, facilitan la Analítica Predictiva. Gracias a ello, Medplaya puede predecir con la ventana de tiempo adecuada las cancelaciones que se van a producir y adecuar su oferta sin incurrir en riesgo de Overbooking. 
Conocer con claridad qué reservas se cancelarán aumenta la eficiencia de las previsiones de ocupación. Permite tomar decisiones de negocio basadas en datos de la propia organización, no en intuiciones o estadísticas globales. Al poner a la venta las habitaciones con probabilidad de cancelación se logra maximizar los ingresos de la compañía.
Analítica Predictiva
Modelo predictivo
Resulta importante mencionar, que los riesgos se mitigan ya que utilizamos la confianza matemática de la previsión para gestionar solo aquellas reservas con mayor probabilidad de ser canceladas.
¿Cómo se desarrolló y se implementó el Modelo Predictivo?
En una primera fase se recogió toda la información histórica de las reservas para analizar los perfiles de clientes y los patrones de comportamiento de las mismas: fechas de antelación, ocupantes, régimen, tarifa, etc.
Modelo predictivo
Con la data histórica de la compañía, se realizó un análisis de las reservas entrantes para poder determinar la predicción de cancelación. Dentro de este contexto, es importante destacar que la predicción, se acompaña del % de probabilidad de dicha predicción. Lo que permite, tomar todas las decisiones de reventa en base a datos y criterios estrictamente de negocio balanceando riesgo y rentabilidad de forma personalizada.
 
Caso Hoteles Medplaya
Resultados y Planes Futuros:
Gracias a esta solución Medplaya recibió el premio de la Innovación Turística en la pasada Feria de Fitur ’19. Los resultados han demostrado que el % de acierto sobre el total de reservas es de un 80% aproximadamente y el porcentaje de aciertos de las cancelaciones es de un 67%. 
Los próximos planes pasan por incluir datos de pronóstico del tiempo e información de la competencia para mejorar los modelos predictivos.
 
☕ 
BREAK
¡5/10 MINUTOS Y VOLVEMOS!
AMAZON
Caso Amazon
Amazon es una de las 500 mayores empresas de EE.UU. Desde que Jeff Bezos lanzó Amazon.com en 1995, se ha hecho un progreso significativo en la oferta, en los sitios web y en la red internacional de distribución y servicio al cliente. En la actualidad, Amazon ofrece gran variedad de productos, desde libros o productos electrónicos, hasta raquetas de tenis, servicios de Cloud e incluso de Streaming como Amazon Prime. 
PARA PENSAR
 Cuando Amazon recomienda un producto en su sitio, claramente no es coincidencia. Este gigante del e-commerce conoce tan bien a sus clientes que puede realizar envíos incluso antes de que efectúen una compra. 
¿Crees que se usa el análisis predictivo? ¿Con qué otras empresas se detectan similitudes?
¡ESCRIBELO EN EL CHAT!
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de comprobación.
Sugerimos:
Utilizarlo antes del break para que los estudiantes puedan votar en la encuestaantes de ir al mismo.
Al regresar, mostrar los resultados a los estudiantes.
Si hay buena respuesta de este recurso, se recomienda utilizarlo de forma orgánica en más instancias de la clase.
Caso Amazon
Cuando Amazon recomienda un producto en su sitio, claramente no es coincidencia. Este gigante del e-commerce conoce tan bien a sus clientes que puede realizar envíos incluso antes de que efectúen una compra. 
En este caso Amazon (y otras empresas lideres como Netflix) utiliza el análisis predictivo para construir un sistema de recomendación que sugiere productos a las personas que visitan el sitio. 
Clicksteams
Para esto, utiliza datos de secuencias de clics (clicksteams) de clientes y los datos históricos de compras de sus clientes para mostrar a cada usuario, resultados personalizados en sus páginas web personalizadas.
Los sistemas de recomendación son muy conocidos por su uso en los entornos de sitios web de e-commerce, en los cuales utilizan las entradas acerca de los interés de sus clientes para generar una lista de recomendaciones de items. 
Clicksteams en Amazon
Para crear una lista de recomendaciones, muchos website utilizan solo los items que compran los clientes y explícitamente el promedio en que éstos representan sus interés, pero también pueden utilizar otros atributos, incluyendo items vistos, datos demográficos, asuntos de intereses y artistas favoritos.
El sistema de recomendaciones de Amazon se basa en una serie de elementos tales como: las compras de un usuario en tiempos pasados, los items que tiene en su carrito de compra virtual, la clasificación de los items según su interés, y el top de los items que han comprado o visitado. 
Algoritmos de recomendación
La mayoría de los algoritmos de recomendación comienzan por encontrar un conjunto de clientes cuyo compras y artículos clasificados coinciden con las compras y clasificación de artículos de otros clientes. El algoritmo agrega artículos de estos clientes similares, elimina los elementos que el usuario ya ha comprado o clasificado y recomienda los productos que queden al usuario.
Enfoques de los sistemas de recomendación
Filtrado Colaborativo
Filtrado Basado de Contenido
Filtrado Colaborativo
Si dos usuarios compartieron los mismos intereses en el pasado, ellos tendrán gustos similares en el futuro. Si, por ejemplo, el usuario A y el usuario B tienen el mismos historial de compras y el usuario A compró un libro que el usuario B no ha comprado aún, la idea básica es proponerle el libro al usuario B.
En este tipo de recomendación, los ítems son filtrados desde un gran conjunto de alternativas, que es hecho en colaboración entre las preferencias de los usuarios y de allí, justamente se obtiene su nombre.
PARA PENSAR
¿Qué ejemplos de experiencias con filtrado colaborativo se te ocurren?
¡ESCRIBELO EN EL CHAT!
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de comprobación.
Sugerimos:
Utilizarlo antes del break para que los estudiantes puedan votar en la encuesta antes de ir al mismo.
Al regresar, mostrar los resultados a los estudiantes.
Si hay buena respuesta de este recurso, se recomienda utilizarlo de forma orgánica en más instancias de la clase.
Filtrado basado de Contenido
Este tipo de RS es empleado en dominios específicos donde el historial de compras del usuario es muy pequeño. El algoritmo considera el conocimiento acerca de los ítems, tales como características, preferencias de los usuarios consultados explícitamente y criterios de recomendación, antes de dar una recomendación. La certeza del modelo es juzgado en lo útil que fueron para el usuario las recomendaciones realizadas.
Por ejemplo, un escenario en el cual se está construyendo un sistema de recomendación para recomendar artefactos eléctricos para el hogar, donde muchos de los usuarios son nuevos. En este caso, el sistema considera características de los ítems, y se generan perfiles de los usuarios para obtener información adicional de los mismos, tales como especificaciones, para luego realizar las recomendaciones. 
Filtrado basado de Contenido
PARA PENSAR
¿Qué ejemplos de experiencias con filtrado basado en contenido se te ocurren?
¡ESCRIBELO EN EL CHAT!
“Para pensar”.
¿Como crear encuestas de zoom? Disponible en este video.
El docente generará una encuesta de zoom para que los estudiantes respondan. Esto es una actividad de comprobación.
Sugerimos:
Utilizarlo antes del break para que los estudiantes puedan votar en la encuesta antes de ir al mismo.
Al regresar, mostrar los resultados a los estudiantes.
Si hay buena respuesta de este recurso, se recomienda utilizarlo de forma orgánica en más instancias de la clase.
Analizando Casos de Estudio
Analizar y Debatir los Casos de Estudio propuestos
Tiempo aproximado: 40 Minutos 
En Break Out rooms, trabajaremos en los casos propuestos, respondiendo las preguntas de cada uno. Luego, se sistematizarán las apreciaciones. 
1.- Definir el problema de la naturaleza que se tiene a continuación, además de los objetivos de negocio bien definidos.
2.- ¿Qué tipo de variables se utilizan en el problema de negocio?
3.- ¿Cómo podríamos resolver este problema de negocio y cumplir con los objetivos planteados a través de la ciencia o analítica de datos?
Herramienta sugerida: Miró 
Analizando Casos de Estudio
Tiempo aproximado: 40 Minutos
Usar para las subsiguientes slides de challenges genéricos.
Jornadas de Data Mining y Business Intelligence – Maestría en Ciencia de Datos - | UNIVERSIDAD AUSTRAL 
Predicción de Cancelaciones de Reservas: Caso de Éxito Medplaya - | cleverdata.io 
Amazon utiliza Big Data & Análisis Predictivo para recomendar futuras ventas | diplomadosonline.com
LINKS DE INTERÉS
Usar para que los estudiantes puedan explorar recursos creados por CoderHouse.
Se puede vincular contenido de:
	Marketing Digital:https://www.youtube.com/watch?v=ouVXr7sr4OU&list=PL_-j_Nxetw-HwYi70jUlQLpaRVPeP6G5b
Diseño: https://www.youtube.com/watch?v=rKQ1qdD1hrE&list=PL_-j_Nxetw-FruXBczvA9Z4tHB20WA9xQ
Programación: https://www.youtube.com/watch?v=tYC_yfXJb88&list=PL_-j_Nxetw-GGSiu_0KAQKktto9-lOtaO
Desarrollo freelance: https://www.youtube.com/watch?v=ua4S23T70KU&list=PL_-j_Nxetw-HUemJyXLr18G5l5t3VU_Eh
Desarrollo profesional: https://www.youtube.com/watch?v=hZPgPHGM_xg&list=PL_-j_Nxetw-E1YOlrXMfvF3TQPa0VJDhE
 Canal de Spotify de Coder: https://open.spotify.com/show/6Z4gbxrzelqVU3syDH3JzI
¿PREGUNTAS?
¡Muchas Gracias!
Resumen de lo visto en clase hoy: 
Casos de Éxitos: Andreani, MedPlaya, Amazon
Obligatoria siempre. Completar el resumen con palabras claves de lo visto.
OPINA Y VALORA ESTA CLASE
#DEMOCRATIZANDOLAEDUCACIÓN